标签：采样 论文 Inference 卷积 ECCV2020 Feature 生成 网络 feature

论文：https://arxiv.org/abs/2003.08866

代码：https://github.com/zdaxie/SpatiallyAdaptiveInference-Detection

这个论文的关键词是动态网络。如下图所示，动态网络目标是可以对 简单 和 困难 的样本分别 采用不同的网络进行推理。对于简单样本采用小网络，对于困难样本采用大网络，这样可以有效降低计算中的冗余。

这篇论文就是研究动态网络，只对输入feature map部分特征进行卷积，其余部分特征可以通过预测来生成，从而有效减少计算量。论文的整体架构如下图所示，包括两个步骤：

• 第一步：生成 sample mask \(M\)，采样一部分点，只在采样的点上进行卷积；
• 第二步：feature map 上剩余的点，通过插值来生成。

第一步里，如何生成 \(M\) 矩阵是一个关键问题，最简单的方法就是定义一个阈值，大于阈值的点就是显著点，很多方法都是这么做的（下图左列所示）。但是作者认为，这样选出来的点，还会存在冗余，因为距离近的点，特征是相似的，还可以再少取一些（sparse sampling）。因此，作者提出使用 Gumbel-Softmax distribution 生成矩阵\(M\)。（具体可以参考作者论文，这里不再多说）

第二步里，如何插值生成新的 feature map 是很关键的，作者在局部窗口内，用采样元素加权来计算未采样元素的值。加权方法可以有三种方法，Average pooling, conv, 和 RGF kernel ，作者也利用实验进行了选择。

在实际应用中，可以将 3x3 卷积层替换为这个方法，在ResNet中应用时，有三种方式，三个卷积共用一个 mask ，计算效率最高，但效果最差。经过实验，作者最终选择下图中第二个方案。

标签：采样,论文,Inference,卷积,ECCV2020,Feature,生成,网络,feature
来源： https://www.cnblogs.com/gaopursuit/p/15834207.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。